全文链接:http://tecdat.cn/?p=23061
这个数据集可以追溯到1988年,由四个数据库组成。克利夫兰、匈牙利、瑞士和长滩。"目标 "字段是指病人是否有心脏病。它的数值为整数,0=无病,1=有病(点击文末“阅读原文”获取完整代码数据)。数据集信息
目标:
主要目的是预测给定的人是否有心脏病,借助于几个因素,如年龄、胆固醇水平、胸痛类型等。
数据集的描述:
该数据有303个观察值和14个变量。每个观察值都包含关于个人的以下信息。年龄:个人的年龄,以年为单位
sex:性别(1=男性;0=女性)
cp:胸痛类型(1=典型心绞痛;2=非典型心绞痛;3=非心绞痛;4=无症状)。
trestbps:静息血压
chol :血清胆固醇,单位:mg/dl
fbs:空腹血糖水平>120 mg/dl(1=真;0=假)
restecg:静息心电图结果(0=正常;1=有ST-T;2=肥大)
thalach:达到的最大心率
exang:运动诱发的心绞痛(1=是;0=否)
oldpeak:相对于静止状态,运动诱发的ST压低
slope:运动时ST段峰值的斜率(1=上斜;2=平坦;3=下斜)
ca:主要血管的数量(0-4),由Flourosopy着色
地中海贫血症--地中海贫血症是一种遗传性血液疾病,会影响身体产生血红蛋白和红细胞的能力。1=正常;2=固定缺陷;3=可逆转缺陷
- 目标:预测属性--心脏疾病的诊断(血管造影疾病状态)(值0=<50%直径狭窄;值1=>50%直径狭窄)
header = T意味着给定的数据有自己的标题,或者换句话说,第一个观测值也被考虑用于预测。
当我们想查看和检查数据的前六个观察点时,我们使用head函数。如果没有发现NA,我们就可以继续前进,否则我们就必须在之前删除NA。检查我们的数据结构
性别不是连续变量,因为根据我们的描述,它可以是男性或女性。因此,我们必须将性别这个变量名称从整数转换为因子。
cp不能成为连续变量,因为它是胸痛的类型。由于它是胸痛的类型,我们必须将变量cp转换为因子。
fbs不能是连续变量或整数,因为它显示血糖水平是否低于120mg/dl。
restecg是因子,因为它是心电图结果的类型。它不能是整数。所以,我们要把它转换为因子和标签。
根据数据集的描述,exang应该是因子。心绞痛发生或不发生。因此,将该变量转换为因子。
斜率不能是整数,因为它是在心电图中观察到的斜率类型。因此,我们将变量转换为因子。
根据数据集的描述,ca不是整数。因此,我们要将该变量转换为因子。
thal不是整数,因为它是地中海贫血的类型。因此,我们将变量转换为因子。
- 目标是预测变量,告诉我们这个人是否有心脏病。因此,我们将该变量转换为因子,并为其贴上标签。
EDA
EDA是探索性数据分析(Exploratory Data Analysis)的缩写,它是一种数据分析的方法/哲学,采用各种技术(主要是图形技术)来深入了解数据集。library(ggplot2)
ggplot(heart,aes(x=age,fill=target,color=target)) + geom_histogram(binwidth = 1,color="black") + labs(x = "Age",y = "Frequency", title = "Heart Disease w.r.t. Age")
我们可以得出结论,与60岁以上的人相比,40至60岁的人患心脏病的概率最高。我们可以得出结论,在所有类型的胸痛中,在个人身上观察到的大多数是典型的胸痛类型,然后是非心绞痛。执行机器学习算法
Logistic回归
首先,我们将数据集分为训练数据(75%)和测试数据(25%)。set.seed(100)
#100用于控制抽样的permutation为100.
index<-sample(nrow(heart),0.75*nrow(heart))
glm(family = "binomial")
# family = " 二项式 "意味着只包含两个结果。
为了检查我们的模型是如何生成的,我们需要计算预测分数和建立混淆矩阵来了解模型的准确性。我们可以看到,预测的分数是患心脏病的概率。但我们必须找到一个适当的分界点,从这个分界点可以很容易地区分是否患有心脏病。为此,我们需要ROC曲线,这是一个显示分类模型在所有分类阈值下的性能的图形。它将使我们能够采取适当的临界值。pred
perf"tpr","fpr")
plot(perf,colorize = T,print.cutoffs.at = seq(0.1,by = 0.1))
通过使用ROC曲线,我们可以观察到0.6具有更好的敏感性和特异性,因此我们选择0.6作为区分的分界点。
从训练数据的混淆矩阵中,我们知道模型有88.55%的准确性。predict(type = "response")
head(test)
我们知道,对于训练数据来说,临界点是0.6。同样地,测试数据也会有相同的临界点。confusionMatrix((pred1),target)
我们可以得出结论,我们的准确率为81.58%,90.26%的预测值位于曲线之下。同时,我们的错误分类率为18.42%。Naive Bayes算法
在执行Naive Bayes算法之前,需要删除我们在执行BLR时添加的额外预测列。
用训练数据检查模型,并创建其混淆矩阵,来了解模型的准确程度。predict(train)
confMat(pred,target)
我们可以说,贝叶斯算法对训练数据的准确率为85.46%。现在,通过预测和创建混淆矩阵来验证测试数据的模型。我们可以得出结论,在Naive Bayes算法的帮助下生成的模型准确率为78.95%,或者我们也可以说Naive Bayes算法的错误分类率为21.05%。决策树
在实施决策树之前,我们需要删除我们在执行Naive Bayes算法时添加的额外列。
当自变量和因变量都是连续的或分类的时候,就会用到rpart。rpart会自动检测是否要根据因变量进行回归或分类。实施决策树
在决策树的帮助下,我们可以说所有变量中最重要的是CP、CA、THAL、Oldpeak。让我们用测试数据来验证这个模型,并找出模型的准确性。我们可以说,决策树的准确率为76.32%,或者说它的错误分类率为23.68%。随机森林
在执行随机森林之前,我们需要删除我们在执行决策树时添加的额外预测列。
在随机森林中,我们不需要将数据分成训练数据和测试数据,我们直接在整个数据上生成模型。为了生成模型,我们需要使用随机森林库。# Set.seed通过限制permutation来控制随机性。
set.seed(100)
model_rf
model_rf
红线代表没有心脏病的MCR,绿线代表有心脏病的MCR,黑线代表总体MCR或OOB误差。总体误差率是我们感兴趣的,结果不错。结论
在进行了各种分类技术并考虑到它们的准确性后,我们可以得出结论,所有模型的准确性都在76%到84%之间。其中,随机森林的准确率略高,为83.5%。